Classification of brain tumors using pseudobulk spatial transcriptomics
Cette étude démontre que la génération de profils d'expression de type « pseudobulk » à partir de données de transcriptomique spatiale de section unique permet l'application efficace de classificateurs existants entraînés sur des données « bulk » pour le diagnostic des tumeurs du SNC, offrant ainsi une solution viable pour les cas présentant un matériel de biopsie limité ou une infiltration diffuse.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Le diagnostic d'une tumeur cérébrale consistait depuis longtemps à observer la forme des cellules sous un microscope, mais la médecine moderne a ajouté une nouvelle couche puissante : la lecture des instructions génétiques à l'intérieur de ces cellules. Cette approche moléculaire, appelée transcriptomique, permet aux médecins d'identifier exactement quel type de tumeur ils affrontent en analysant quels gènes sont actifs. Cependant, cette méthode nécessite généralement une quantité importante de tissu. Lorsqu'un patient subit une petite biopsie, ou lorsqu'une tumeur est si diffuse qu'elle se mélange au tissu cérébral sain, il n'y a souvent pas assez de matériel restant pour effectuer ces tests. Cela laisse les médecins face à un choix difficile : utiliser le précieux échantillon pour un test qui pourrait échouer, ou s'appuyer sur des méthodes plus anciennes qui pourraient être moins précises.
Des scientifiques ont récemment développé une façon de cartographier l'activité génique tout en conservant le tissu dans sa disposition physique d'origine, une technique appelée transcriptomique spatiale. Cela crée une carte détaillée de quels gènes sont actifs dans des points spécifiques d'une coupe de tissu. Le défi a été de trouver comment utiliser ces nouvelles données hautement détaillées avec les programmes informatiques existants que les médecins utilisent déjà pour diagnostiquer les tumeurs. Ces programmes ont été conçus pour analyser de grands échantillons de tissus mélangés, et non les points de données minuscules et dispersés d'une carte spatiale. Une équipe de chercheurs de l'hôpital KK Women's and Children's à Singapour s'est donné pour mission de résoudre ce casse-tête. Ils se sont demandé s'ils pouvaient combiner les minuscules points de données d'une seule coupe de tissu en un seul profil large et lisible que les outils de diagnostic existants pourraient comprendre, permettant ainsi d'obtenir un diagnostic moléculaire à partir d'un échantillon qui était auparavant trop petit ou trop désordonné pour être testé.
Les chercheurs ont pris une collection d'échantillons de tumeurs cérébrales provenant de bases de données publiques ainsi que cinq nouveaux cas de leur propre hôpital pour tester cette idée. Ils ont utilisé une méthode de calcul pour rassembler l'activité génique de chaque point sur une coupe de tissu et les additionner en un profil unique, un processus qu'ils appellent la création d'un échantillon « pseudobulk ». Cela leur a permis d'injecter les données dans trois programmes informatiques différents conçus pour identifier les tumeurs cérébrales. Les résultats ont montré que cette approche fonctionne, mais pas de la même manière pour chaque outil ou chaque type de tumeur. L'un des programmes, qui correspond aux motifs d'activité génique, a identifié correctement le type de tumeur dans environ 82 % des cas. Un autre programme a réussi dans environ 60 % des cas, et un troisième programme, plus complexe, n'a réussi que dans environ 46 % des cas.
Le succès de la méthode dépendait fortement du type de tumeur testée. Les programmes informatiques étaient exceptionnellement doués pour identifier les médulloblastomes et les épendymomes, deux types de tumeurs qui possèdent des signatures génétiques très distinctes. Dans ces cas, la nouvelle méthode correspondait parfaitement au diagnostic connu. Cependant, les outils éprouvaient plus de difficultés avec les gliomes de haut grade, qui sont agressifs et se mélangent souvent au tissu sain. Les chercheurs ont découvert que lorsque le test initial était incertain, ils pouvaient améliorer le résultat en utilisant la carte spatiale pour isoler uniquement les parties du tissu qui ressemblaient à des cellules tumorales et en réanalysant seulement ces zones. Cette étape, qu'ils appellent l'enrichissement de clusters tumoraux, a augmenté la précision pour les cas difficiles, passant de 60 % à 76 %. Cela fonctionnait en éliminant le « bruit » des cellules saines qui diluaient le signal tumoral.
L'étude a également examiné comment la manière dont le tissu est préservé affecte les résultats. La plupart des échantillons hospitaliers sont conservés dans un produit chimique appelé formol et noyés dans de la cire, un processus qui peut endommager le matériel génétique. Les chercheurs ont constaté que le programme informatique le plus performant fonctionnait toujours raisonnablement bien sur ces échantillons anciens et préservés, diagnostiquant correctement environ 77 % des cas. Cependant, le troisième programme, qui était conçu pour les tissus frais, a presque totalement échoué sur les échantillons préservés. Cela suggère que, bien que la méthode soit suffisamment robuste pour une utilisation hospitalière de routine, le choix du logiciel compte énormément selon la façon dont l'échantillon a été conservé.
Pour prouver que la méthode pouvait fonctionner dans un cadre réel, l'équipe l'a appliquée à cinq patients réels de leur hôpital, incluant un cas où l'échantillon de la tumeur mesurait moins d'un millimètre. Le système a identifié avec succès deux de ces tumeurs pédiatriques rares, confirmant que la technique ne nécessite pas un grand morceau de tissu pour générer un résultat. Bien que le système ait rencontré quelques cas complexes où la composition génétique de la tumeur était inhabituelle ou non représentée dans les données d'entraînement, les conclusions globales démontrent une voie claire vers l'avenir. En combinant la cartographie spatiale avec les outils de diagnostic existants, les médecins pourront bientôt obtenir des diagnostics moléculaires précis à partir des échantillons de biopsie les plus petits et les plus difficiles, garantissant que même le tissu le plus limité puisse fournir les réponses nécessaires pour guider le traitement.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.